TRABAJO FINAL¶

Para el presente trabajo, se utiliza como insumo la base de datos de IDH Perú - 2017

Integrantes:¶

  • Sayuri Fernandez Salas
  • Leonardo Ramírez Vasquez
In [1]:
import pandas as pd
import numpy as np

1. IDH a nivel distrital¶

In [2]:
IDH_2017 = pd.read_excel("./IDH_PNUD_2017.xlsx", sheet_name="Distrital")
In [3]:
### Eliminamos las filas
IDH_2017 = IDH_2017.drop([0, 1, 2, 3, 4, 5, 1880, 1881, 1882])
IDH_2017
Out[3]:
Índice de Desarrollo Humano distrital, 2017 Unnamed: 1 Unnamed: 2 Unnamed: 3 Unnamed: 4 Unnamed: 5 Unnamed: 6 Unnamed: 7 Unnamed: 8 Unnamed: 9 Unnamed: 10 Unnamed: 11 Unnamed: 12 Unnamed: 13 Unnamed: 14 Unnamed: 15 Unnamed: 16
6 010101 1 Chachapoyas NaN NaN 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158
7 010102 2 Asuncion NaN NaN 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853
8 010103 3 Balsas NaN NaN 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296
9 010104 4 Cheto NaN NaN 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361
10 010105 5 Chiliquin NaN NaN 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
1875 250302 2 Irazola NaN NaN 10214 455 0.378183 959 85.697522 85 39.927624 1471 5.1274 1219 465.880288 1059
1876 250303 3 Curimana NaN NaN 7722 572 0.378119 961 85.109174 99 40.219378 1458 5.5175 1074 444.932792 1111
1877 250304 4 Neshuya NaN NaN 7594 576 0.437379 695 82.296773 229 45.68082 1302 6.1251 868 614.015288 766
1878 250305 5 Alexander Von Humboldt NaN NaN 5137 775 0.423282 753 83.636475 164 42.929293 1393 5.8305 957 582.998041 818
1879 250401 1 Purus NaN NaN 2860 1080 0.335455 1193 66.458846 1555 20.197044 1848 7.2707 537 517.759563 941

1874 rows × 17 columns

In [4]:
#Eliminamos las columnas
IDH_2017.drop(columns = ['Unnamed: 1', 'Unnamed: 3', 'Unnamed: 4'], inplace = True)
IDH_2017.head(5)
Out[4]:
Índice de Desarrollo Humano distrital, 2017 Unnamed: 2 Unnamed: 5 Unnamed: 6 Unnamed: 7 Unnamed: 8 Unnamed: 9 Unnamed: 10 Unnamed: 11 Unnamed: 12 Unnamed: 13 Unnamed: 14 Unnamed: 15 Unnamed: 16
6 010101 Chachapoyas 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158
7 010102 Asuncion 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853
8 010103 Balsas 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296
9 010104 Cheto 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361
10 010105 Chiliquin 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439
In [5]:
#Cambiamos los encabezados
nuevos_encabezados = ['ubigeo', 'distrito',  'pob_habitantes', 'pob_ranking', 'idh_coef', 'idh_ranking', 'esp_vida_años', 'esp_vida_ranking', 'educ_sec_%', 'educ_sec_ranking', 'educ_años', 'educ_ranking', 'ingreso_percap_mes', 'ingreso_percap_ranking']

IDH_2017 = IDH_2017.rename(columns=dict(zip(IDH_2017.columns, nuevos_encabezados)))
IDH_2017
Out[5]:
ubigeo distrito pob_habitantes pob_ranking idh_coef idh_ranking esp_vida_años esp_vida_ranking educ_sec_% educ_sec_ranking educ_años educ_ranking ingreso_percap_mes ingreso_percap_ranking
6 010101 Chachapoyas 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158
7 010102 Asuncion 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853
8 010103 Balsas 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296
9 010104 Cheto 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361
10 010105 Chiliquin 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439
... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
1875 250302 Irazola 10214 455 0.378183 959 85.697522 85 39.927624 1471 5.1274 1219 465.880288 1059
1876 250303 Curimana 7722 572 0.378119 961 85.109174 99 40.219378 1458 5.5175 1074 444.932792 1111
1877 250304 Neshuya 7594 576 0.437379 695 82.296773 229 45.68082 1302 6.1251 868 614.015288 766
1878 250305 Alexander Von Humboldt 5137 775 0.423282 753 83.636475 164 42.929293 1393 5.8305 957 582.998041 818
1879 250401 Purus 2860 1080 0.335455 1193 66.458846 1555 20.197044 1848 7.2707 537 517.759563 941

1874 rows × 14 columns

  • Agregamos una nueva columna de departamentos
In [6]:
#Primero creamos una nueva columna con los dos primeros digitos de ubigeo
IDH_2017['depart']= IDH_2017['ubigeo'].str[:2]
IDH_2017
Out[6]:
ubigeo distrito pob_habitantes pob_ranking idh_coef idh_ranking esp_vida_años esp_vida_ranking educ_sec_% educ_sec_ranking educ_años educ_ranking ingreso_percap_mes ingreso_percap_ranking depart
6 010101 Chachapoyas 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158 01
7 010102 Asuncion 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853 01
8 010103 Balsas 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296 01
9 010104 Cheto 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361 01
10 010105 Chiliquin 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439 01
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
1875 250302 Irazola 10214 455 0.378183 959 85.697522 85 39.927624 1471 5.1274 1219 465.880288 1059 25
1876 250303 Curimana 7722 572 0.378119 961 85.109174 99 40.219378 1458 5.5175 1074 444.932792 1111 25
1877 250304 Neshuya 7594 576 0.437379 695 82.296773 229 45.68082 1302 6.1251 868 614.015288 766 25
1878 250305 Alexander Von Humboldt 5137 775 0.423282 753 83.636475 164 42.929293 1393 5.8305 957 582.998041 818 25
1879 250401 Purus 2860 1080 0.335455 1193 66.458846 1555 20.197044 1848 7.2707 537 517.759563 941 25

1874 rows × 15 columns

In [7]:
#Luego, reemplazamos los números por los nombres de los departamentos
IDH_2017.replace({'depart': {'01': 'Amazonas', '02': 'Ancash', '03': 'Apurímac', '04': 'Arequipa', '05': 'Ayacucho', 
                             '06': 'Cajamarca', '07': 'Callao', '08': 'Cuzco', '09': 'Huancavelica', '10': 'Huánuco', '11': 'Ica',
                             '12': 'Junín', '13': 'La Libertad', '14': 'Lambayeque', '15': 'Lima', '16': 'Loreto', 
                             '17': 'Madre de Dios', '18': 'Moquegua', '19': 'Pasco', '20': 'Piura', '21': 'Puno', 
                             '22': 'San Martín', '23': 'Tacna', '24': 'Tumbes', '25': 'Ucayali'}}, inplace= True)
IDH_2017
Out[7]:
ubigeo distrito pob_habitantes pob_ranking idh_coef idh_ranking esp_vida_años esp_vida_ranking educ_sec_% educ_sec_ranking educ_años educ_ranking ingreso_percap_mes ingreso_percap_ranking depart
6 010101 Chachapoyas 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158 Amazonas
7 010102 Asuncion 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853 Amazonas
8 010103 Balsas 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296 Amazonas
9 010104 Cheto 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361 Amazonas
10 010105 Chiliquin 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439 Amazonas
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
1875 250302 Irazola 10214 455 0.378183 959 85.697522 85 39.927624 1471 5.1274 1219 465.880288 1059 Ucayali
1876 250303 Curimana 7722 572 0.378119 961 85.109174 99 40.219378 1458 5.5175 1074 444.932792 1111 Ucayali
1877 250304 Neshuya 7594 576 0.437379 695 82.296773 229 45.68082 1302 6.1251 868 614.015288 766 Ucayali
1878 250305 Alexander Von Humboldt 5137 775 0.423282 753 83.636475 164 42.929293 1393 5.8305 957 582.998041 818 Ucayali
1879 250401 Purus 2860 1080 0.335455 1193 66.458846 1555 20.197044 1848 7.2707 537 517.759563 941 Ucayali

1874 rows × 15 columns

In [8]:
#Ordenamos las columnas
IDH_2017 = IDH_2017.reindex(columns=[ "ubigeo", "depart", 'distrito',  'pob_habitantes', 'pob_ranking', 'idh_coef', 'idh_ranking', 'esp_vida_años', 'esp_vida_ranking', 'educ_sec_%', 'educ_sec_ranking', 'educ_años', 'educ_ranking', 'ingreso_percap_mes', 'ingreso_percap_ranking'])
IDH_2017
Out[8]:
ubigeo depart distrito pob_habitantes pob_ranking idh_coef idh_ranking esp_vida_años esp_vida_ranking educ_sec_% educ_sec_ranking educ_años educ_ranking ingreso_percap_mes ingreso_percap_ranking
6 010101 Amazonas Chachapoyas 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158
7 010102 Amazonas Asuncion 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853
8 010103 Amazonas Balsas 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296
9 010104 Amazonas Cheto 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361
10 010105 Amazonas Chiliquin 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
1875 250302 Ucayali Irazola 10214 455 0.378183 959 85.697522 85 39.927624 1471 5.1274 1219 465.880288 1059
1876 250303 Ucayali Curimana 7722 572 0.378119 961 85.109174 99 40.219378 1458 5.5175 1074 444.932792 1111
1877 250304 Ucayali Neshuya 7594 576 0.437379 695 82.296773 229 45.68082 1302 6.1251 868 614.015288 766
1878 250305 Ucayali Alexander Von Humboldt 5137 775 0.423282 753 83.636475 164 42.929293 1393 5.8305 957 582.998041 818
1879 250401 Ucayali Purus 2860 1080 0.335455 1193 66.458846 1555 20.197044 1848 7.2707 537 517.759563 941

1874 rows × 15 columns

  • Agregamos una nueva columna de regiones
In [9]:
#Primero creamos una nueva columna con los dos primeros digitos de ubigeo
IDH_2017['región']= IDH_2017['ubigeo'].str[:2]
IDH_2017
Out[9]:
ubigeo depart distrito pob_habitantes pob_ranking idh_coef idh_ranking esp_vida_años esp_vida_ranking educ_sec_% educ_sec_ranking educ_años educ_ranking ingreso_percap_mes ingreso_percap_ranking región
6 010101 Amazonas Chachapoyas 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158 01
7 010102 Amazonas Asuncion 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853 01
8 010103 Amazonas Balsas 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296 01
9 010104 Amazonas Cheto 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361 01
10 010105 Amazonas Chiliquin 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439 01
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
1875 250302 Ucayali Irazola 10214 455 0.378183 959 85.697522 85 39.927624 1471 5.1274 1219 465.880288 1059 25
1876 250303 Ucayali Curimana 7722 572 0.378119 961 85.109174 99 40.219378 1458 5.5175 1074 444.932792 1111 25
1877 250304 Ucayali Neshuya 7594 576 0.437379 695 82.296773 229 45.68082 1302 6.1251 868 614.015288 766 25
1878 250305 Ucayali Alexander Von Humboldt 5137 775 0.423282 753 83.636475 164 42.929293 1393 5.8305 957 582.998041 818 25
1879 250401 Ucayali Purus 2860 1080 0.335455 1193 66.458846 1555 20.197044 1848 7.2707 537 517.759563 941 25

1874 rows × 16 columns

In [10]:
#Luego, reemplazamos los números por los nombres de las regines
IDH_2017.replace({'región': {'01': 'Selva', '02': 'Costa', '03': 'Sierra', '04': 'Costa', '05': 'Sierra', 
                             '06': 'Sierra', '07': 'Lima y Callao', '08': 'Sierra', '09': 'Sierra', '10': 'Sierra', '11': 'Costa',
                             '12': 'Sierra', '13': 'Costa', '14': 'Costa', '15': 'Lima y Callao', '16': 'Selva', 
                             '17': 'Selva', '18': 'Sierra', '19': 'Sierra', '20': 'Costa', '21': 'Sierra', 
                             '22': 'Selva', '23': 'Costa', '24': 'Costa', '25': 'Selva'}}, inplace= True)
IDH_2017
Out[10]:
ubigeo depart distrito pob_habitantes pob_ranking idh_coef idh_ranking esp_vida_años esp_vida_ranking educ_sec_% educ_sec_ranking educ_años educ_ranking ingreso_percap_mes ingreso_percap_ranking región
6 010101 Amazonas Chachapoyas 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158 Selva
7 010102 Amazonas Asuncion 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853 Selva
8 010103 Amazonas Balsas 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296 Selva
9 010104 Amazonas Cheto 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361 Selva
10 010105 Amazonas Chiliquin 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439 Selva
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
1875 250302 Ucayali Irazola 10214 455 0.378183 959 85.697522 85 39.927624 1471 5.1274 1219 465.880288 1059 Selva
1876 250303 Ucayali Curimana 7722 572 0.378119 961 85.109174 99 40.219378 1458 5.5175 1074 444.932792 1111 Selva
1877 250304 Ucayali Neshuya 7594 576 0.437379 695 82.296773 229 45.68082 1302 6.1251 868 614.015288 766 Selva
1878 250305 Ucayali Alexander Von Humboldt 5137 775 0.423282 753 83.636475 164 42.929293 1393 5.8305 957 582.998041 818 Selva
1879 250401 Ucayali Purus 2860 1080 0.335455 1193 66.458846 1555 20.197044 1848 7.2707 537 517.759563 941 Selva

1874 rows × 16 columns

In [11]:
#Ordenamos las columnas
IDH_2017 = IDH_2017.reindex(columns=[ "ubigeo", "depart", "región", 'distrito',  'pob_habitantes', 'pob_ranking', 'idh_coef', 'idh_ranking', 'esp_vida_años', 'esp_vida_ranking', 'educ_sec_%', 'educ_sec_ranking', 'educ_años', 'educ_ranking', 'ingreso_percap_mes', 'ingreso_percap_ranking'])
IDH_2017
Out[11]:
ubigeo depart región distrito pob_habitantes pob_ranking idh_coef idh_ranking esp_vida_años esp_vida_ranking educ_sec_% educ_sec_ranking educ_años educ_ranking ingreso_percap_mes ingreso_percap_ranking
6 010101 Amazonas Selva Chachapoyas 32589 169 0.605711 169 73.297544 1082 74.699578 182 9.7582 110 1086.762736 158
7 010102 Amazonas Selva Asuncion 262 1860 0.421303 762 72.349067 1172 66.666667 473 5.8662 943 569.610318 853
8 010103 Amazonas Selva Balsas 1136 1525 0.294232 1437 68.710568 1446 30.769231 1716 4.9866 1273 362.999904 1296
9 010104 Amazonas Selva Cheto 642 1721 0.329549 1228 83.896326 152 49.019608 1177 4.2735 1561 342.569379 1361
10 010105 Amazonas Selva Chiliquin 585 1749 0.264602 1592 77.261089 684 34.615385 1612 3.304 1789 308.814375 1439
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
1875 250302 Ucayali Selva Irazola 10214 455 0.378183 959 85.697522 85 39.927624 1471 5.1274 1219 465.880288 1059
1876 250303 Ucayali Selva Curimana 7722 572 0.378119 961 85.109174 99 40.219378 1458 5.5175 1074 444.932792 1111
1877 250304 Ucayali Selva Neshuya 7594 576 0.437379 695 82.296773 229 45.68082 1302 6.1251 868 614.015288 766
1878 250305 Ucayali Selva Alexander Von Humboldt 5137 775 0.423282 753 83.636475 164 42.929293 1393 5.8305 957 582.998041 818
1879 250401 Ucayali Selva Purus 2860 1080 0.335455 1193 66.458846 1555 20.197044 1848 7.2707 537 517.759563 941

1874 rows × 16 columns

GRÁFICOS¶

Los gráficos de dispersión son representados a nivel nacional y también por regiones

In [12]:
import altair as alt

- Gráfico 1:¶

Representa la relación entre el coeficiente del idh y el porcentaje depoblación con educación secundaria completa (población 18 años).

In [13]:
#A nivel nacional

alt.Chart(IDH_2017).mark_point(filled = True).encode(
    x = alt.X("educ_sec_%:Q"),
    y = alt.Y("idh_coef:Q"),
     tooltip = ["distrito", "depart", "idh_coef", "ingreso_percap_mes"],
    color = alt.Color("región", 
            legend=alt.Legend( titleOrient='left')),
    ).properties(width=450, height=450).interactive()
Out[13]:
In [14]:
#Por regiones

alt.Chart(IDH_2017).mark_point(filled = True).encode( 
    x = alt.X("educ_sec_%:Q"),
    y = alt.Y("idh_coef:Q"),
    tooltip = ["distrito", "depart", "idh_coef", "educ_sec_%"],
    color = alt.Color("región", 
            legend=alt.Legend(orient='bottom', titleOrient='left')),
    column = alt.Column("región")
    ).properties(width=350, height=350).interactive()
Out[14]:

- Gráfico 2:¶

Representa la relación entre el coeficiente del idh y la esperanza de vida al nacer (en años).

In [15]:
#A nivel nacional

alt.Chart(IDH_2017).mark_point(filled = True).encode(
    x = alt.X("esp_vida_años:Q"),
    y = alt.Y("idh_coef:Q"),
     tooltip = ["distrito", "depart", "idh_coef", "esp_vida_años"],
    color = alt.Color("región", 
            legend=alt.Legend( titleOrient='left')),
    ).properties(width=450, height=450).interactive()
Out[15]:
In [16]:
#Por regiones

alt.Chart(IDH_2017).mark_point(filled = True).encode(
    x = alt.X("esp_vida_años:Q"),
    y = alt.Y("idh_coef:Q"),
     tooltip = ["distrito", "depart", "idh_coef", "esp_vida_años"],
    color = alt.Color("región", 
            legend=alt.Legend(orient='bottom', titleOrient='left')),
    column = alt.Column("región")
    ).properties(width=300, height=300).interactive()
Out[16]:

- Gráfico 3:¶

Representa la relación entre el coeficiente del idh y años de educación (población de 25 años a más).

In [17]:
#A nivel nacional

alt.Chart(IDH_2017).mark_point(filled = True).encode(
    x = alt.X("educ_años:Q"),
    y = alt.Y("idh_coef:Q"),
     tooltip = ["distrito", "depart", "idh_coef", "educ_años"],
    color = alt.Color("región", 
            legend=alt.Legend( titleOrient='left')),
    ).properties(width=450, height=450).interactive()
Out[17]:
In [18]:
# Por regiones

alt.Chart(IDH_2017).mark_point(filled = True).encode(
    x = alt.X("educ_años:Q"),
    y = alt.Y("idh_coef:Q"),
     tooltip = ["distrito", "depart", "idh_coef", "educ_años"],
    color = alt.Color("región", 
            legend=alt.Legend(orient='bottom', titleOrient='left')),
    column = alt.Column("región")
    ).properties(width=300, height=300).interactive()
Out[18]:

- Gráfico 4:¶

Representa la relación entre el coeficiente del idh y el ingreso familiar per cápita.

In [19]:
#A nivel nacional

alt.Chart(IDH_2017).mark_point(filled = True).encode(
    x = alt.X("ingreso_percap_mes:Q"),
    y = alt.Y("idh_coef:Q"),
     tooltip = ["distrito", "depart", "idh_coef", "ingreso_percap_mes"],
    color = alt.Color("región", 
            legend=alt.Legend( titleOrient='left')),
    ).properties(width=450, height=450).interactive()
Out[19]:
In [20]:
#Por regiones

alt.Chart(IDH_2017).mark_point(filled = True).encode(
    x = alt.X("ingreso_percap_mes:Q"),
    y = alt.Y("idh_coef:Q"),
     tooltip = ["distrito", "depart", "idh_coef", "ingreso_percap_mes"],
    color = alt.Color("región", 
            legend=alt.Legend(orient='bottom', titleOrient='left')),
    column = alt.Column("región")
    ).properties(width=300, height=300).interactive()
Out[20]:
  • IDH distrital mínimo por departamento
In [23]:
#Generamos un cuadro con los IDH distritales más bajos por departamento
IDH_2017['departamento']= IDH_2017['depart']

IDH_2017_MIN= IDH_2017[['idh_coef', 'departamento', 'depart', 'región']].groupby('depart').min()
IDH_2017_MIN
Out[23]:
idh_coef departamento región
depart
Amazonas 0.188044 Amazonas Selva
Ancash 0.133801 Ancash Costa
Apurímac 0.140808 Apurímac Sierra
Arequipa 0.178236 Arequipa Costa
Ayacucho 0.109379 Ayacucho Sierra
Cajamarca 0.109321 Cajamarca Sierra
Callao 0.612243 Callao Lima y Callao
Cuzco 0.154525 Cuzco Sierra
Huancavelica 0.118631 Huancavelica Sierra
Huánuco 0.196013 Huánuco Sierra
Ica 0.341821 Ica Costa
Junín 0.145551 Junín Sierra
La Libertad 0.099556 La Libertad Costa
Lambayeque 0.216722 Lambayeque Costa
Lima 0.25366 Lima Lima y Callao
Loreto 0.200405 Loreto Selva
Madre de Dios 0.342773 Madre de Dios Selva
Moquegua 0.427346 Moquegua Sierra
Pasco 0.3005 Pasco Sierra
Piura 0.117568 Piura Costa
Puno 0.165481 Puno Sierra
San Martín 0.272094 San Martín Selva
Tacna 0.31703 Tacna Costa
Tumbes 0.372998 Tumbes Costa
Ucayali 0.210378 Ucayali Selva

- Gráfico 5:¶

Representa los idh distritales más bajos de cada departamento.

In [24]:
alt.Chart(IDH_2017_MIN).mark_bar().encode(
    alt.Y('idh_coef'),
    alt.X("departamento"),
    tooltip = ["departamento", "idh_coef"],
    color = alt.Color("región"),
)
Out[24]:
  • IDH distrital máximo por departamento
In [25]:
#Generamos un cuadro con los IDH distritales más altos por departamento

IDH_2017_MAX= IDH_2017[['idh_coef', 'departamento', 'región', 'depart']].groupby('depart').max()
IDH_2017_MAX
Out[25]:
idh_coef departamento región
depart
Amazonas 0.605711 Amazonas Selva
Ancash 0.590474 Ancash Costa
Apurímac 0.561174 Apurímac Sierra
Arequipa 0.720898 Arequipa Costa
Ayacucho 0.512953 Ayacucho Sierra
Cajamarca 0.545899 Cajamarca Sierra
Callao 0.731345 Callao Lima y Callao
Cuzco 0.716253 Cuzco Sierra
Huancavelica 0.518108 Huancavelica Sierra
Huánuco 0.566558 Huánuco Sierra
Ica 0.679034 Ica Costa
Junín 0.696607 Junín Sierra
La Libertad 0.666722 La Libertad Costa
Lambayeque 0.612656 Lambayeque Costa
Lima 0.836181 Lima Lima y Callao
Loreto 0.619237 Loreto Selva
Madre de Dios 0.660495 Madre de Dios Selva
Moquegua 0.700733 Moquegua Sierra
Pasco 0.595791 Pasco Sierra
Piura 0.613133 Piura Costa
Puno 0.569807 Puno Sierra
San Martín 0.622948 San Martín Selva
Tacna 0.69419 Tacna Costa
Tumbes 0.591613 Tumbes Costa
Ucayali 0.538126 Ucayali Selva

- Gráfico 6:¶

Representa los idh distritales más altos de cada departamento.

In [26]:
alt.Chart(IDH_2017_MAX).mark_bar().encode(
    alt.Y("idh_coef"),
    alt.X("departamento"),
     tooltip = ["departamento", "idh_coef"],
    color = alt.Color("región")
)
Out[26]:

2. Indicadores del índice de desigualdad de género a nivel departamental¶

In [27]:
idh_gen = pd.read_excel("./IDH_PNUD_2017.xlsx", sheet_name="Ind. desigualdad de género")
idh_gen
Out[27]:
PERÚ: Indicadores del Índice de Desigualdad de Género referidos a participación política, empleo y educación según departamento, 2017 Unnamed: 1 Unnamed: 2 Unnamed: 3 Unnamed: 4 Unnamed: 5 Unnamed: 6 Unnamed: 7 Unnamed: 8 Unnamed: 9 Unnamed: 10 Unnamed: 11
0 Departamento Salud reproductiva 1/ NaN Empoderamiento NaN NaN NaN Mercado laboral NaN Número de escaños en el Parlamento nacional NaN NaN
1 NaN Número de Muertes maternas 1/ Adolescentes madres o embarazadas Número de escaños en el Parlamento nacional (%) NaN Población con al menos educación secundaria NaN Tasa de participación en la fuerza de trabajo NaN NaN NaN NaN
2 NaN (Según procedencia) % mujeres 2016-2021 NaN (% de 25 y más años de edad) NaN (% de 15 y más años de edad) NaN 2016-2021 NaN NaN
3 NaN NaN (15-19 años) Mujeres Hombres Mujeres Hombres Mujeres Hombres Mujeres Hombres Total
4 Nacional 375 13,4 28,5 71,5 63,3 74,1 65,0 82,6 37 93 130
5 Amazonas 13 23,8 50,0 50,0 41,9 53,0 72,9 88,6 1 1 2
6 Áncash 12 13 60,0 40,0 53,2 66,8 65,9 84,7 3 2 5
7 Apurímac 2 12 0,0 100,0 41,2 62,1 75,8 88,9 0 2 2
8 Arequipa 6 6,6 33,3 66,7 71,6 83,4 60,9 81,0 2 4 6
9 Ayacucho 8 16,8 33,3 66,7 42,4 63,8 70,7 83,2 1 2 3
10 Cajamarca 33 18,5 0,0 100,0 31,5 46,0 74,3 88,1 0 6 6
11 Prov. Const. del Callao 7 10,2 50,0 50,0 80,1 89,1 59,3 82,7 2 2 4
12 Cusco 26 9,2 20,0 80,0 48,8 66,3 75,9 84,2 1 4 5
13 Huancavelica 13 15,1 0,0 100,0 32,1 57,9 82,9 86,8 0 2 2
14 Huánuco 17 16,4 33,3 66,7 39,8 52,1 68,8 86,3 1 2 3
15 Ica 5 14,3 25,0 75,0 77,5 86,6 60,2 80,2 1 3 4
16 Junín 15 12,1 20,0 80,0 55,8 70,7 67,3 82,1 1 4 5
17 La Libertad 23 16,8 28,6 71,4 58,1 65,5 62,1 82,5 2 5 7
18 Lambayeque 12 11,8 20,0 80,0 61,8 71,9 58,5 78,9 1 4 5
19 Lima 36 10,2 35,0 65,0 79,8 88,0 63,4 80,3 14 26 40
20 Provincia de Lima NaN 9,6 33,3 66,7 81,4 89,4 63,4 79,9 12 24 36
21 Región Lima 2/ NaN 14,9 50,0 50,0 63,4 74,2 62,6 84,5 2 2 4
22 Loreto 40 30,4 50,0 50,0 52,9 65,2 60,4 82,3 2 2 4
23 Madre de Dios 3 16,9 0,0 100,0 63,5 76,2 68,8 87,1 0 1 1
24 Moquegua 1 8,6 0,0 100,0 69,3 81,1 64,7 82,8 0 2 2
25 Pasco 8 12,6 0,0 100,0 56,3 68,7 67,4 85,3 0 2 2
26 Piura 35 14,6 42,9 57,1 52,3 63,3 57,7 81,9 3 4 7
27 Puno 26 11,3 0,0 100,0 45,3 72,0 73,2 84,1 0 5 5
28 San Martín 18 20 25,0 75,0 44,6 50,6 63,8 89,6 1 3 4
29 Tacna 3 9 0,0 100,0 67,0 82,9 66,8 74,8 0 2 2
30 Tumbes 2 16 50,0 50,0 67,3 71,0 63,3 86,5 1 1 2
31 Ucayali 11 23,1 0,0 100,0 59,6 70,8 64,7 86,9 0 2 2
32 Fuente: INEI. Censo de Población y Vivienda 20... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
33 1/ Ministerio de Salud. NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
34 Elaboración: PNUD / Unidad del Informe sobre D... NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
In [28]:
#Eliminamos las filas
idh_gen = idh_gen.drop([0, 1, 2, 3, 32, 33, 34])
In [29]:
#Cambiamos los encabezados
nuev_enca = ['departamento', 'num_muertes_maternas',  'adolescentes_madres_embarazadas_%', 
             'muj-escaños_parl_nac_%', 'hom-escaños_parl_nac_%','muj-educ_sec_%', 
             'hom-educ_sec_%', 'muj_trabajo_%', 'hom_trabajo_%', 
             'muj-escaños_parl_nac_num', 'hom-escaños_parl_nac_num', 'tot-escaños_parl_nac_num']

idh_gen = idh_gen.rename(columns=dict(zip(idh_gen.columns, nuev_enca)))
idh_gen
Out[29]:
departamento num_muertes_maternas adolescentes_madres_embarazadas_% muj-escaños_parl_nac_% hom-escaños_parl_nac_% muj-educ_sec_% hom-educ_sec_% muj_trabajo_% hom_trabajo_% muj-escaños_parl_nac_num hom-escaños_parl_nac_num tot-escaños_parl_nac_num
4 Nacional 375 13,4 28,5 71,5 63,3 74,1 65,0 82,6 37 93 130
5 Amazonas 13 23,8 50,0 50,0 41,9 53,0 72,9 88,6 1 1 2
6 Áncash 12 13 60,0 40,0 53,2 66,8 65,9 84,7 3 2 5
7 Apurímac 2 12 0,0 100,0 41,2 62,1 75,8 88,9 0 2 2
8 Arequipa 6 6,6 33,3 66,7 71,6 83,4 60,9 81,0 2 4 6
9 Ayacucho 8 16,8 33,3 66,7 42,4 63,8 70,7 83,2 1 2 3
10 Cajamarca 33 18,5 0,0 100,0 31,5 46,0 74,3 88,1 0 6 6
11 Prov. Const. del Callao 7 10,2 50,0 50,0 80,1 89,1 59,3 82,7 2 2 4
12 Cusco 26 9,2 20,0 80,0 48,8 66,3 75,9 84,2 1 4 5
13 Huancavelica 13 15,1 0,0 100,0 32,1 57,9 82,9 86,8 0 2 2
14 Huánuco 17 16,4 33,3 66,7 39,8 52,1 68,8 86,3 1 2 3
15 Ica 5 14,3 25,0 75,0 77,5 86,6 60,2 80,2 1 3 4
16 Junín 15 12,1 20,0 80,0 55,8 70,7 67,3 82,1 1 4 5
17 La Libertad 23 16,8 28,6 71,4 58,1 65,5 62,1 82,5 2 5 7
18 Lambayeque 12 11,8 20,0 80,0 61,8 71,9 58,5 78,9 1 4 5
19 Lima 36 10,2 35,0 65,0 79,8 88,0 63,4 80,3 14 26 40
20 Provincia de Lima NaN 9,6 33,3 66,7 81,4 89,4 63,4 79,9 12 24 36
21 Región Lima 2/ NaN 14,9 50,0 50,0 63,4 74,2 62,6 84,5 2 2 4
22 Loreto 40 30,4 50,0 50,0 52,9 65,2 60,4 82,3 2 2 4
23 Madre de Dios 3 16,9 0,0 100,0 63,5 76,2 68,8 87,1 0 1 1
24 Moquegua 1 8,6 0,0 100,0 69,3 81,1 64,7 82,8 0 2 2
25 Pasco 8 12,6 0,0 100,0 56,3 68,7 67,4 85,3 0 2 2
26 Piura 35 14,6 42,9 57,1 52,3 63,3 57,7 81,9 3 4 7
27 Puno 26 11,3 0,0 100,0 45,3 72,0 73,2 84,1 0 5 5
28 San Martín 18 20 25,0 75,0 44,6 50,6 63,8 89,6 1 3 4
29 Tacna 3 9 0,0 100,0 67,0 82,9 66,8 74,8 0 2 2
30 Tumbes 2 16 50,0 50,0 67,3 71,0 63,3 86,5 1 1 2
31 Ucayali 11 23,1 0,0 100,0 59,6 70,8 64,7 86,9 0 2 2
In [30]:
#Dado que las observaciones no se encuentran en formato numérico, cambiamos las comas por puntos como indicador de decimal

idh_gen['muj-educ_sec_%']= idh_gen['muj-educ_sec_%'].str.replace(",", ".")
idh_gen['hom-educ_sec_%']= idh_gen['hom-educ_sec_%'].str.replace(",", ".")
idh_gen['muj_trabajo_%']= idh_gen['muj_trabajo_%'].str.replace(",", ".")
idh_gen['hom_trabajo_%']= idh_gen['hom_trabajo_%'].str.replace(",", ".")

idh_gen
Out[30]:
departamento num_muertes_maternas adolescentes_madres_embarazadas_% muj-escaños_parl_nac_% hom-escaños_parl_nac_% muj-educ_sec_% hom-educ_sec_% muj_trabajo_% hom_trabajo_% muj-escaños_parl_nac_num hom-escaños_parl_nac_num tot-escaños_parl_nac_num
4 Nacional 375 13,4 28,5 71,5 63.3 74.1 65.0 82.6 37 93 130
5 Amazonas 13 23,8 50,0 50,0 41.9 53.0 72.9 88.6 1 1 2
6 Áncash 12 13 60,0 40,0 53.2 66.8 65.9 84.7 3 2 5
7 Apurímac 2 12 0,0 100,0 41.2 62.1 75.8 88.9 0 2 2
8 Arequipa 6 6,6 33,3 66,7 71.6 83.4 60.9 81.0 2 4 6
9 Ayacucho 8 16,8 33,3 66,7 42.4 63.8 70.7 83.2 1 2 3
10 Cajamarca 33 18,5 0,0 100,0 31.5 46.0 74.3 88.1 0 6 6
11 Prov. Const. del Callao 7 10,2 50,0 50,0 80.1 89.1 59.3 82.7 2 2 4
12 Cusco 26 9,2 20,0 80,0 48.8 66.3 75.9 84.2 1 4 5
13 Huancavelica 13 15,1 0,0 100,0 32.1 57.9 82.9 86.8 0 2 2
14 Huánuco 17 16,4 33,3 66,7 39.8 52.1 68.8 86.3 1 2 3
15 Ica 5 14,3 25,0 75,0 77.5 86.6 60.2 80.2 1 3 4
16 Junín 15 12,1 20,0 80,0 55.8 70.7 67.3 82.1 1 4 5
17 La Libertad 23 16,8 28,6 71,4 58.1 65.5 62.1 82.5 2 5 7
18 Lambayeque 12 11,8 20,0 80,0 61.8 71.9 58.5 78.9 1 4 5
19 Lima 36 10,2 35,0 65,0 79.8 88.0 63.4 80.3 14 26 40
20 Provincia de Lima NaN 9,6 33,3 66,7 81.4 89.4 63.4 79.9 12 24 36
21 Región Lima 2/ NaN 14,9 50,0 50,0 63.4 74.2 62.6 84.5 2 2 4
22 Loreto 40 30,4 50,0 50,0 52.9 65.2 60.4 82.3 2 2 4
23 Madre de Dios 3 16,9 0,0 100,0 63.5 76.2 68.8 87.1 0 1 1
24 Moquegua 1 8,6 0,0 100,0 69.3 81.1 64.7 82.8 0 2 2
25 Pasco 8 12,6 0,0 100,0 56.3 68.7 67.4 85.3 0 2 2
26 Piura 35 14,6 42,9 57,1 52.3 63.3 57.7 81.9 3 4 7
27 Puno 26 11,3 0,0 100,0 45.3 72.0 73.2 84.1 0 5 5
28 San Martín 18 20 25,0 75,0 44.6 50.6 63.8 89.6 1 3 4
29 Tacna 3 9 0,0 100,0 67.0 82.9 66.8 74.8 0 2 2
30 Tumbes 2 16 50,0 50,0 67.3 71.0 63.3 86.5 1 1 2
31 Ucayali 11 23,1 0,0 100,0 59.6 70.8 64.7 86.9 0 2 2
In [31]:
#Cambiamos el tipo de las observaciones

idh_gen['muj_trabajo_%'] = idh_gen['muj_trabajo_%'].astype("float")
idh_gen['hom_trabajo_%'] = idh_gen['hom_trabajo_%'].astype("float")
idh_gen['hom-educ_sec_%'] = idh_gen['hom-educ_sec_%'].astype("float")
idh_gen['muj-educ_sec_%'] = idh_gen['muj-educ_sec_%'].astype("float")
idh_gen
Out[31]:
departamento num_muertes_maternas adolescentes_madres_embarazadas_% muj-escaños_parl_nac_% hom-escaños_parl_nac_% muj-educ_sec_% hom-educ_sec_% muj_trabajo_% hom_trabajo_% muj-escaños_parl_nac_num hom-escaños_parl_nac_num tot-escaños_parl_nac_num
4 Nacional 375 13,4 28,5 71,5 63.3 74.1 65.0 82.6 37 93 130
5 Amazonas 13 23,8 50,0 50,0 41.9 53.0 72.9 88.6 1 1 2
6 Áncash 12 13 60,0 40,0 53.2 66.8 65.9 84.7 3 2 5
7 Apurímac 2 12 0,0 100,0 41.2 62.1 75.8 88.9 0 2 2
8 Arequipa 6 6,6 33,3 66,7 71.6 83.4 60.9 81.0 2 4 6
9 Ayacucho 8 16,8 33,3 66,7 42.4 63.8 70.7 83.2 1 2 3
10 Cajamarca 33 18,5 0,0 100,0 31.5 46.0 74.3 88.1 0 6 6
11 Prov. Const. del Callao 7 10,2 50,0 50,0 80.1 89.1 59.3 82.7 2 2 4
12 Cusco 26 9,2 20,0 80,0 48.8 66.3 75.9 84.2 1 4 5
13 Huancavelica 13 15,1 0,0 100,0 32.1 57.9 82.9 86.8 0 2 2
14 Huánuco 17 16,4 33,3 66,7 39.8 52.1 68.8 86.3 1 2 3
15 Ica 5 14,3 25,0 75,0 77.5 86.6 60.2 80.2 1 3 4
16 Junín 15 12,1 20,0 80,0 55.8 70.7 67.3 82.1 1 4 5
17 La Libertad 23 16,8 28,6 71,4 58.1 65.5 62.1 82.5 2 5 7
18 Lambayeque 12 11,8 20,0 80,0 61.8 71.9 58.5 78.9 1 4 5
19 Lima 36 10,2 35,0 65,0 79.8 88.0 63.4 80.3 14 26 40
20 Provincia de Lima NaN 9,6 33,3 66,7 81.4 89.4 63.4 79.9 12 24 36
21 Región Lima 2/ NaN 14,9 50,0 50,0 63.4 74.2 62.6 84.5 2 2 4
22 Loreto 40 30,4 50,0 50,0 52.9 65.2 60.4 82.3 2 2 4
23 Madre de Dios 3 16,9 0,0 100,0 63.5 76.2 68.8 87.1 0 1 1
24 Moquegua 1 8,6 0,0 100,0 69.3 81.1 64.7 82.8 0 2 2
25 Pasco 8 12,6 0,0 100,0 56.3 68.7 67.4 85.3 0 2 2
26 Piura 35 14,6 42,9 57,1 52.3 63.3 57.7 81.9 3 4 7
27 Puno 26 11,3 0,0 100,0 45.3 72.0 73.2 84.1 0 5 5
28 San Martín 18 20 25,0 75,0 44.6 50.6 63.8 89.6 1 3 4
29 Tacna 3 9 0,0 100,0 67.0 82.9 66.8 74.8 0 2 2
30 Tumbes 2 16 50,0 50,0 67.3 71.0 63.3 86.5 1 1 2
31 Ucayali 11 23,1 0,0 100,0 59.6 70.8 64.7 86.9 0 2 2

- Gráfico 7:¶

Representa la comparación entre el porcentaje de mujeres y hombres con al menos educación secundaria (de 25 años de edad a más).

In [32]:
mujeres_trab= alt.Chart(idh_gen).mark_bar().encode(
    alt.Y( "departamento"),
    alt.X("muj_trabajo_%"),
    color= alt.value ('plum'),
    tooltip= ['muj_trabajo_%'])
mujeres_trab

hombres_trab= alt.Chart(idh_gen).mark_bar().encode(
    y = "departamento",
    x = "hom_trabajo_%",
    color= alt.value('powderblue'),
    tooltip= ['hom_trabajo_%'])
hombres_trab

comparacion_trabajo =  hombres_trab + mujeres_trab
comparacion_trabajo
Out[32]:

- Gráfico 8:¶

Representa la comparación entre el porcentaje de mujeres y hombres que participan en la fuerza de trabajo (de 15 años de edad a más).

In [33]:
mujeres_educ= alt.Chart(idh_gen).mark_bar().encode(
    alt.Y( "departamento"),
    alt.X('muj-educ_sec_%'),
    color= alt.value ('rosybrown'),
    tooltip= ['muj-educ_sec_%'])
mujeres_educ

hombres_educ= alt.Chart(idh_gen).mark_bar().encode(
    y = "departamento",
    x = "hom-educ_sec_%",
    color= alt.value('moccasin'),
    tooltip= ['hom-educ_sec_%'])
hombres_educ

comparacion_educacion =  hombres_educ + mujeres_educ
comparacion_educacion
Out[33]:
  • Creamos las columnas de las brechas de educación y trabajo
In [34]:
#generamos las columnas de las gaps
idh_gen['gap_educ_%']= idh_gen['hom-educ_sec_%'] - idh_gen['muj-educ_sec_%']
idh_gen['gap_trab_%']= idh_gen['hom_trabajo_%'] - idh_gen['muj_trabajo_%']
idh_gen
Out[34]:
departamento num_muertes_maternas adolescentes_madres_embarazadas_% muj-escaños_parl_nac_% hom-escaños_parl_nac_% muj-educ_sec_% hom-educ_sec_% muj_trabajo_% hom_trabajo_% muj-escaños_parl_nac_num hom-escaños_parl_nac_num tot-escaños_parl_nac_num gap_educ_% gap_trab_%
4 Nacional 375 13,4 28,5 71,5 63.3 74.1 65.0 82.6 37 93 130 10.8 17.6
5 Amazonas 13 23,8 50,0 50,0 41.9 53.0 72.9 88.6 1 1 2 11.1 15.7
6 Áncash 12 13 60,0 40,0 53.2 66.8 65.9 84.7 3 2 5 13.6 18.8
7 Apurímac 2 12 0,0 100,0 41.2 62.1 75.8 88.9 0 2 2 20.9 13.1
8 Arequipa 6 6,6 33,3 66,7 71.6 83.4 60.9 81.0 2 4 6 11.8 20.1
9 Ayacucho 8 16,8 33,3 66,7 42.4 63.8 70.7 83.2 1 2 3 21.4 12.5
10 Cajamarca 33 18,5 0,0 100,0 31.5 46.0 74.3 88.1 0 6 6 14.5 13.8
11 Prov. Const. del Callao 7 10,2 50,0 50,0 80.1 89.1 59.3 82.7 2 2 4 9.0 23.4
12 Cusco 26 9,2 20,0 80,0 48.8 66.3 75.9 84.2 1 4 5 17.5 8.3
13 Huancavelica 13 15,1 0,0 100,0 32.1 57.9 82.9 86.8 0 2 2 25.8 3.9
14 Huánuco 17 16,4 33,3 66,7 39.8 52.1 68.8 86.3 1 2 3 12.3 17.5
15 Ica 5 14,3 25,0 75,0 77.5 86.6 60.2 80.2 1 3 4 9.1 20.0
16 Junín 15 12,1 20,0 80,0 55.8 70.7 67.3 82.1 1 4 5 14.9 14.8
17 La Libertad 23 16,8 28,6 71,4 58.1 65.5 62.1 82.5 2 5 7 7.4 20.4
18 Lambayeque 12 11,8 20,0 80,0 61.8 71.9 58.5 78.9 1 4 5 10.1 20.4
19 Lima 36 10,2 35,0 65,0 79.8 88.0 63.4 80.3 14 26 40 8.2 16.9
20 Provincia de Lima NaN 9,6 33,3 66,7 81.4 89.4 63.4 79.9 12 24 36 8.0 16.5
21 Región Lima 2/ NaN 14,9 50,0 50,0 63.4 74.2 62.6 84.5 2 2 4 10.8 21.9
22 Loreto 40 30,4 50,0 50,0 52.9 65.2 60.4 82.3 2 2 4 12.3 21.9
23 Madre de Dios 3 16,9 0,0 100,0 63.5 76.2 68.8 87.1 0 1 1 12.7 18.3
24 Moquegua 1 8,6 0,0 100,0 69.3 81.1 64.7 82.8 0 2 2 11.8 18.1
25 Pasco 8 12,6 0,0 100,0 56.3 68.7 67.4 85.3 0 2 2 12.4 17.9
26 Piura 35 14,6 42,9 57,1 52.3 63.3 57.7 81.9 3 4 7 11.0 24.2
27 Puno 26 11,3 0,0 100,0 45.3 72.0 73.2 84.1 0 5 5 26.7 10.9
28 San Martín 18 20 25,0 75,0 44.6 50.6 63.8 89.6 1 3 4 6.0 25.8
29 Tacna 3 9 0,0 100,0 67.0 82.9 66.8 74.8 0 2 2 15.9 8.0
30 Tumbes 2 16 50,0 50,0 67.3 71.0 63.3 86.5 1 1 2 3.7 23.2
31 Ucayali 11 23,1 0,0 100,0 59.6 70.8 64.7 86.9 0 2 2 11.2 22.2

- Gráfico 9:¶

Representa la brecha de mujeres y hombres con al menos educación secundaria (de 25 años de edad a más) en puntos porcentuales.

In [35]:
alt.Chart(idh_gen).mark_bar().encode(
    alt.Y( "gap_educ_%"),
    alt.X('departamento'),
    color= alt.value ('darkseagreen'),
    tooltip= ['gap_educ_%'])
Out[35]:

- Gráfico 10:¶

Representa la brecha de mujeres y hombres que participan en la fuerza de trabajo (de 15 años de edad a más) en puntos porcentuales.

In [36]:
alt.Chart(idh_gen).mark_bar().encode(
    alt.Y( "gap_trab_%"),
    alt.X('departamento'),
    color= alt.value ('sandybrown'),
    tooltip= ['gap_trab_%'])
Out[36]: